早上刷 GitHub trending，看到一個叫 i-have-adhd 的 repo：13.6k stars（2026 年 7 月底的數字），內容只有一份 Markdown。它是給編碼助手（Claude Code、Codex、Cursor 都支援）的輸出風格 skill，宣稱能把 LLM 的長篇大論改造成 ADHD 友善的「行動優先」格式。改編自《The Adult ADHD Tool Kit》，十條規則，例如：第一行必須是讀者能立刻做的事、清單超過五項就拆、結尾指名一件兩分鐘內能做的具體事、禁止「希望有幫助」這類客套。
我的第一反應是：這不就是叫 AI 少廢話嗎？我的助手設定裡早就有類似的東西。讀完 SKILL.md 全文後，我的判斷是「方法論可借鑑、不用裝」。
但寫下這個結論的時候我停了一下。「不用裝」是我查證過的事實，還是我的印象？一份 prompt 檔到底對輸出品質有多少影響，這件事可以測，而且成本不高。與其憑感覺下判斷，不如做個實驗。
實驗怎麼設計才不會自己騙自己
整個實驗我丟給 Claude Code 執行，我只定方向：設計題目、跑 A/B 測試、找一個「不同家」的模型當評審。
它設計了五道題，每題瞄準 skill 的不同規則：
- 多步驟任務：CommonJS 遷移到 ESM（測「行動優先」「編號步驟」「時間估計」）
- Debug 求助：Jest 測試回 401、嫌疑犯是環境變數（測「錯誤照實講」）
- 概念解釋：event loop 的 microtask 與 macrotask（測例外條款——使用者要求解釋時可以寫長）
- 技術選型：PostgreSQL 還是 SQLite（測另一條例外——選項本身就是答案）
- 清單誘餌：「列出上線前該檢查的所有事項」——故意誘導清單膨脹，看「清單限五項」規則會怎麼處理
每題派兩個全新 context 的 subagent 獨立作答，同一個 Claude 模型、同設定：控制組拿到題目就答，實驗組多拿到 SKILL.md 規則全文。十份回答，誰也看不到誰。
評分交給 Codex CLI（gpt-5.6-sol、reasoning effort high）。找不同家的模型當評審，是為了降低同源偏好——讓 Claude 評 Claude 的作文，它容易偏袒自己熟悉的文風。當然這只是控制手段，換一家模型消除的是同源這一層，Codex 自己的偏好（例如天生偏愛短回答）還在，這點我留到文末的限制一起講。
第二個關鍵是盲評。Codex 只知道「同一問題的兩份候選回答」，不知道有 skill 這回事，也不知道哪份動過手腳。這裡差點翻車：Claude Code 一開始把回答存成 Q1_A.md、Q1_B.md，檔名直接洩底——成對的 A/B 標籤會讓評審猜到 B 是「處理過」的那組，還能跨題對照文風。送評前重建了去識別化副本，改名 R1/R2，每題順序隨機打亂。
評分維度四個，每個 1 到 10 分：可執行性、注意力效率、完整性、整體品質。另外每題要 Codex 下兩個裁決：給一般工程師讀，哪份贏？給一位注意力有限、工作記憶小的讀者（也就是這個 skill 的目標受眾），它會判哪份贏？
五題全部同一個方向
我原本的預期是互有勝負，最後要撈細節才能硬掰出一個結論。結果解盲之後，數據乾淨得不像話：
| 維度（盲評均分） | 控制組 | 實驗組（+skill） | 差距 |
|---|---|---|---|
| 可執行性 | 9.2 | 9.8 | +0.6 |
| 注意力效率 | 8.4 | 9.8 | +1.4 |
| 完整性 | 9.2 | 7.0 | −2.2 |
| 整體品質 | 9.2 | 8.2 | −1.0 |
逐題裁決是另一套獨立指標，跟上面的均分分開看。給一般工程師：控制組五比零全勝。給注意力受限的讀者：Codex 五比零全判給實驗組。五道題，零例外，勝負完全取決於「為誰讀」，而不是「寫得好不好」。
實驗組的回答總長度是控制組的 46%（以字元數計，總量相除：約 7.5K 對 16.4K）。拿第五題（上線檢查清單）對比最有感。控制組寫了七大區塊、三十多個核取方塊，從 SSH 金鑰到 DNS TTL 一應俱全。實驗組的開頭長這樣：
先跑這個（2 分鐘）：SSH 進 VPS，執行
sudo ss -tlnp | grep 5432——如果 Postgres 綁在0.0.0.0，整個網際網路都連得到你的資料庫，這是最急的洞。
然後是「上線前必做五項（共 2.5 小時）」加「上線後第一週補五項」，每項帶時間估計。以我自己的執行習慣，實驗組那份被做完的機率高得多，控制組那份很可能被收藏之後再也沒打開——但這是我的主觀判斷，實驗沒測完成率。
Codex 給這份的完整性只打 6 分——它砍掉的那二十幾項裡，有些是真的會讓人踩坑的（權限最小化、還原演練、graceful shutdown）。整份數據其實在講同一件事：這個 skill 把品質預算從「完整性」搬去「注意力」。搬運本身很成功，但預算總量沒變多。
兩個技術錯誤，都出在精簡的那一組
比總分更有意思的是 Codex 挑出的毛病。整場實驗它抓到兩處技術瑕疵，都在實驗組：
一處是 event loop 那題，實驗組為了塞進對照表格，把 requestAnimationFrame 歸進 macrotask 欄——雖然加了括號說「嚴格說在重繪前，另一類」，但表格的視覺分類已經造成誤導。另一處是上面那句「綁在 0.0.0.0 等於整個網際網路都連得到」——它無視了防火牆的存在，是為了製造緊迫感的斷言式簡化。
我對照原文核實過，兩處批評都成立。我傾向認為這不是巧合：「清單限五項」「抑制離題」這類規則，看起來就是會把有條件的陳述壓成無條件的斷言，nuance 是第一個被丟出船艙的。不過五題單輪的實驗，兩個案例只能算線索，不能算定論——要坐實「壓縮必然傷精確度」得再測。
這個實驗撐得起多大的結論
先把限制攤開，結論才站得穩：
樣本只有五題、單一評審、只跑一輪。「給注意力受限的讀者哪份贏」是 Codex 的推測——沒有任何真實 ADHD 讀者參與，所謂 5:0 完勝是「評審模型認為的適合」，跟臨床意義上的適合是兩回事。這個問法本身也偏向短回答。還有，控制組是 Claude Code 的 subagent 預設風格，本來就偏簡潔直接；拿網頁版 chatbot 那種恨不得從盤古開天講起的長度當基線，差距只會更誇張——13.6k stars 大概就是這麼來的，那是大家對 LLM 廢話疲勞的投票。
另一個實驗沒覆蓋的維度是任務風險。快速操作類的任務（裝套件、查指令）被砍掉細節通常無傷大雅；但除錯、資安設定、資料庫維運這類高風險任務，被省略的那句條件說明可能正是讓你半夜被 call 的原因。五題裡只有兩題勉強算高風險，這塊需要更多題目才說得準。
原始資料（十份回答全文、盲評對應表、逐題評分 JSON）我都留檔了，46% 和 5:0 都驗算得回去。
所以要不要裝？
我的結論維持早上的判斷，但現在有數據撐腰：不裝。至少在這五題、這一位評審的量測裡，它對一般工程用途是負優化——整體品質掉一分，你需要的關鍵資訊會被砍掉。要說它划算，得是讀者注意力真的受限的場景，而它的名字早就把這個使用前提講清楚了：i-have-adhd。
倒是有兩條規則我打算抄進自己的設定：「結尾永遠給一個具體的下一步」和「清單超過五項就拆成現在做與之後做」。第五題的實驗組就是這兩條規則的最佳展演——但同一題它完整性掉到 6 分，抄之前要知道代價。
整場實驗從起疑到寫完筆記大約兩小時。下次再看到爆紅的 prompt 類 repo，我大概還是會忍不住先測再說——查證過的判斷跟憑印象的判斷，寫出來是同三個字，踏實程度差很多。
